TiDB.AI PR端到端测试CI优化方案解析
2025-06-30 23:21:21作者:范靓好Udolf
在TiDB.AI项目的持续集成流程中,端到端测试(E2E)是确保代码质量的重要环节。本文将深入分析如何通过优化PR的E2E测试流程来提升开发效率。
背景与挑战
在传统的CI/CD流程中,每次提交PR都会触发完整的构建和测试流程,包括前端和后端代码的Docker镜像构建。这种方式虽然可靠,但在某些场景下存在效率问题:
- 当多个PR基于同一代码基础时,重复构建相同的Docker镜像造成资源浪费
- 开发者在调试特定模块时,可能需要频繁触发完整构建流程
- 并行测试时,构建阶段可能成为瓶颈
优化方案设计
针对上述问题,TiDB.AI项目引入了一种灵活的标签机制来优化E2E测试流程。核心思想是通过PR标签控制构建行为:
- 标签语义化:新增
e2e-frontend:<DOCKER_BUILD_ID>和e2e-backend:<DOCKER_BUILD_ID>标签 - 构建控制:当标签中指定了DOCKER_BUILD_ID时,CI会跳过对应模块的构建阶段
- 默认行为:未指定标签时,保持原有完整构建流程
技术实现细节
该优化方案在CI流程中实现了以下关键逻辑:
- 标签解析:CI系统会解析PR标签,提取模块名称和构建ID
- 构建决策:对于每个模块(前端/后端),检查是否有对应的标签
- 有标签:使用指定构建ID的镜像
- 无标签:执行常规构建流程
- 镜像引用:使用预构建的镜像时,会从镜像仓库拉取对应版本的Docker镜像
典型使用场景
-
前端专项测试:当PR仅修改后端代码时,可以指定使用已构建的前端镜像
- 添加标签:
e2e-frontend:branch-main - 效果:跳过前端构建,直接使用main分支的前端镜像
- 添加标签:
-
后端专项测试:当PR仅修改前端代码时同理
- 添加标签:
e2e-backend:stable-v1.0 - 效果:跳过后端构建,使用稳定版本的后端镜像
- 添加标签:
-
完整测试:不添加特殊标签时,保持原有的完整构建和测试流程
优势与价值
- 节省构建资源:避免重复构建未修改的模块
- 加速测试流程:跳过构建阶段可以显著减少CI执行时间
- 提高调试效率:开发者可以专注于特定模块的测试
- 灵活可控:通过简单的标签即可控制测试行为
最佳实践建议
- 对于依赖基础功能的PR,建议使用稳定版本的预构建镜像
- 涉及多模块修改时,建议执行完整构建流程
- 团队内部可以维护常用镜像的构建ID文档
- 定期清理旧的构建镜像以避免存储空间浪费
总结
TiDB.AI项目的这一CI优化方案通过引入灵活的标签机制,实现了构建流程的精细化控制。这种设计不仅提升了CI效率,也为开发者提供了更大的灵活性。类似的思路也可以应用于其他需要模块化构建和测试的项目中,特别是那些包含前后端分离架构的系统。
登录后查看全文
热门项目推荐
相关项目推荐
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C030
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
26
10
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
424
3.26 K
Ascend Extension for PyTorch
Python
231
264
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
334
暂无简介
Dart
686
161
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
266
326
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.22 K
667
仓颉编译器源码及 cjdb 调试工具。
C++
136
869